Mind-the-gait: supervised machine learning classifier to assess cognitive workload during dual-task walking through physiological signals

Assessing cognitive workload during walking is crucial to prevent under- or over-loading patients neurorehabilitation, yet it lacks objective, real-time measures. This study develops a multi-modal framework to monitor mental effort using physiological signals such as Heart Rate Variability (HRV), Electrodermal Activity (EDA) and pupillometry. Fifteen healthy adults performed dual-task walking (N-back paradigm), high-speed walking, and a biofeedback task in a semi-immersive environment. Subjective workload was benchmarked using the NASA Task Load Index (NASA-TLX). Statistical results showed that while gait kinematics remained stable, physiological markers were highly reactive to Cognitive Load. Electrodermal activity (EDA) and Mean Pupil Diameter (MPD) emerged as the most sensitive indicators, peaking during the biofeedback task. A Machine Learning pipeline was implemented to classify workload into three levels (Low, Mid, High) using NASA-TLX as ground truth. A Support Vector Machine (SVM) achieved 67% accuracy on an independent test set of unseen participants. Furthermore, a sensor ablation study identified eye-tracking as redundant, supporting a simplified, less intrusive setup for clinical use. These findings provide a robust foundation for personalized, closed-loop rehabilitation systems.

La valutazione del carico cognitivo durante il cammino è fondamentale per ottimizzare la neuroriabilitazione, tuttavia mancano ancora misure oggettive e in tempo reale. Questo studio sviluppa un framework multi-modale per monitorare lo sforzo mentale attraverso segnali fisiologici e oculari. Quindici adulti sani hanno eseguito prove di cammino in dual-task (paradigma N-back), cammino a velocità elevata e un compito di biofeedback in un ambiente immersivo CAREN. Il carico cognitivo soggettivo è stato valutato come riferimento tramite il NASA-TLX. I risultati statistici hanno mostrato che, mentre la cinematica del cammino è rimasta stabile, i marcatori fisiologici sono risultati altamente reattivi. L'attività elettrodermica (EDA) e il diametro pupillare medio (MPD) sono emersi come gli indicatori più sensibili, raggiungendo il picco durante il compito di biofeedback. È stata implementata una pipeline di Machine Learning per classificare il carico di lavoro in tre livelli (Basso, Medio, Alto). Una Support Vector Machine (SVM) ha ottenuto un'accuratezza del 67\% su un set di test indipendente di partecipanti non noti al modello. Inoltre, uno studio di ablazione dei sensori ha identificato l'eye-tracking come ridondante, supportando l'utilizzo di un setup semplificato e meno invasivo per l'uso clinico. Questi risultati forniscono una solida base per sistemi di riabilitazione personalizzati a ciclo chiuso (closed-loop)